一种活体检测方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于人脸识别、活体检测等场景。


背景技术：

2.随着电子商务等技术的发展，基于人脸的身份验证已经得到广泛的应用，基于人脸的身份验证主要是通过人脸识别技术来实现，在人脸识别技术极大提高了人们生活便利性的同时，其安全性问题也逐渐暴露，例如通过打印照片、屏幕照片等伪装为实体人脸通过验证。
3.可见，人脸识别技术中，需要人脸活体检测技术来判断人脸图像是否是通过拍摄活体人脸得到的。


技术实现要素：

4.本公开提供了一种活体检测方法、装置、电子设备及存储介质。
5.根据本公开的一方面，提供了一种活体检测方法，包括：
6.获取待检测的人脸rgb图像；
7.分别对所述人脸rgb图像进行色彩模型转换和傅里叶变换，得到yuv图像和频谱图；
8.将所述yuv图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述yuv图像的yuv图像特征，提取所述频谱图的频谱图特征，并对所述yuv图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
9.获得所述活体检测模型输出的活体检测结果。
10.根据本公开的另一方面，提供了一种活体检测模型的训练方法，包括：
11.获取样本图像以及所述样本图像的活体检测真实标签；
12.分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本yuv图像和样本频谱图；
13.将所述样本yuv图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：yuv提取层、频谱提取层；所述yuv提取层，用于提取所述yuv图像的yuv图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；
14.基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。
15.根据本公开的另一方面，提供了一种活体检测装置，包括：
16.第一获取模块，用于获取待检测的人脸rgb图像；
17.第一转换模块，用于分别对所述人脸rgb图像进行色彩模型转换和傅里叶变换，得到yuv图像和频谱图；
18.输入模块，用于将所述yuv图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述yuv图像的yuv图像特征，提取所述频谱图的频谱图特征，并对所述yuv图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
19.获得模块，用于获得所述活体检测模型输出的活体检测结果。
20.根据本公开的另一方面，提供了一种活体检测模型的训练装置，包括：
21.第二获取模块，用于获取样本图像以及所述样本图像的活体检测真实标签；
22.第二转换模块，用于分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本yuv图像和样本频谱图；
23.预测模块，用于将所述样本yuv图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；所述特征提取层包括：yuv提取层、频谱提取层；所述yuv提取层，用于提取所述yuv图像的yuv图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；
24.调整模块，用于基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。
25.根据本公开的另一方面，提供了一种电子设备，包括：
26.至少一个处理器；以及
27.与所述至少一个处理器通信连接的存储器；其中，
28.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行活体检测方法。
29.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行活体检测方法。
30.根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现活体检测方法。
31.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
32.附图用于更好地理解本方案，不构成对本公开的限定。
33.图1为本公开实施例提供的活体检测方法的一种流程示意图；
34.图2为本公开实施例提供的活体检测模型的一种结构示意图；
35.图3为本公开实施例提供的活体检测模型的另一种结构示意图；
36.图4为本公开实施例提供的活体检测模型的训练方法的一种流程示意图；
37.图5是用来实现本公开实施例的活体检测方法的装置的框图；
38.图6是用来实现本公开实施例的活体检测模型的训练方法的装置的框图；
39.图7是用来实现本公开实施例的活体检测方法的电子设备的框图。
具体实施方式
40.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
41.人脸活体检测是人脸相关领域的基础技术之一，可以应用于考勤、门禁通行等诸多场景。在当前的很多业务上都有广泛的应用。
42.目前的人脸活体检测过程，通常是对人脸或人脸外扩一定区域的rgb(red-green-bule，红绿蓝三原色)图像进行特征提取，之后基于图像特征进行二分类，得到检测结果。
43.然而，grb图像中，光照亮度信息、模糊度信息等是融合在一起的，仅使用rgb图像作为输入，网络模型学习到的特征不够鲁棒，最终导致活体检测的准确率较低。
44.为了解决上述技术问题，本公开提供了一种活体检测方法、装置、电子设备及存储介质。
45.本公开的一个实施例中，提供了一种人脸活体检测方法，方法包括：
46.获取待检测的人脸rgb图像；
47.分别对所述人脸rgb图像进行色彩模型转换和傅里叶变换，得到yuv图像和频谱图；
48.将所述yuv图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述yuv图像的yuv图像特征，提取所述频谱图的频谱图特征，并对所述yuv图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
49.获得所述活体检测模型输出的活体检测结果。
50.可见，使用解耦了图像照度、亮度、色度等信息的yuv图像替代rgb图像进行特征学习，使网络模型学习到的特征更加鲁棒；并且加入了频谱图进行特征学习，能够使网络模型学习到图像有关模糊度(对应频谱图中的低频信息)和清晰度(对应频谱图中的高频信息)的特征信息，进一步增加了特征的鲁棒性。此外将yuv图像特征和频谱图像特征进行特征融合，提高了特征的复用性，使两种特征能相互促进进行学习。最终提高了活体检测的准确度。
51.下面对本公开实施例提供的活体检测方法、装置、电子设备及存储介质分别进行详细介绍。
52.参见图1，图1为本公开实施例提供的活体检测方法的一种流程示意图，如图1所示，方法可以包括以下步骤：
53.s101：获取待检测的人脸rgb图像。
54.本公开实施例中，当需要进行人脸活体检测时，获取待检测的人脸rgb图像。
55.其中，人脸活体检测可以理解为：检测人脸图像是否是通过拍摄活体人脸得到的。
56.本公开实施例对获取目标图像的途径不做限定。
57.s102：分别对人脸rgb图像进行色彩模型转换和傅里叶变换，得到yuv图像和频谱图。
58.本公开实施例中，可以对人脸rgb图像进行色彩模型转换，得到yuv图像。yuv是一种色彩空间模型，“y”表示明亮度(luminance或luma)，也就是灰阶值，“u”和“v”表示的则是色度(chrominance或chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色。可见，yuv图像解耦了图像照度、亮度、色度等信息。
59.此外，对人脸rgb图像进行快速傅里叶变换(fast fourier transform，fft)，得到离散傅里叶频谱图，简称频谱图。
60.s103：将yuv图像和频谱图输入预先训练完成的活体检测模型，以使活体检测模型提取yuv图像的yuv图像特征，提取频谱图的频谱图特征，并对yuv图像特征和频谱图特征进行融合，得到融合特征，基于融合特征进行活体检测。
61.本公开实施例中，活体检测模型是预先训练完成的。活体检测模型中设置有用于提取yuv图像特征的特征提取层和用于提取频谱图特征的特征提取层，并且能够将提取的yuv图像特征和频谱图特征进行融合，得到融合特征。
62.活体检测的本质是分类问题，因此，活体检测模型中还设置有输出层，能够根据融合特征实现二分类，得到活体检测结果。
63.s104：获得活体检测模型输出的活体检测结果。
64.可见，使用解耦了图像照度、亮度、色度等信息的yuv图像替代rgb图像进行特征学习，使网络模型学习到的特征更加鲁棒；并且加入了频谱图进行特征学习，能够使网络模型学习到图像有关模糊度(对应频谱图中的低频信息)和清晰度(对应频谱图中的高频信息)的特征信息，进一步增加了特征的鲁棒性。此外将yuv图像特征和频谱图像特征进行特征融合，提高了特征的复用性，使两种特征能相互促进进行学习。最终提高了活体检测的准确度。
65.本公开的一个实施例中，活体检测模型包括：特征提取层、池化层、全连接层和softmax层。
66.其中，特征提取层包括：yuv提取层、频谱提取层；yuv提取层用于提取yuv图像的yuv图像特征；频谱提取层用于提取频谱图的频谱图特征。
67.yuv图像特征和频谱图特征的拼接特征，可以作为池化层的输入。拼接特征经过池化之后，再经过全连接层进行全连接，最后经过softmax层实现分类，得到活体检测结果。
68.本公开的一个实施例中，yuv提取层包括第一yuv子提取层和第二yuv子提取层；频谱提取层包括第一频谱子提取层和第二频谱子提取层；第二yuv子提取层的输入特征为第一yuv子提取层的输出特征与第一频谱子提取层的输出特征的拼接特征；池化层的输入特征为第二yuv子提取层的输出特征与第二频谱子提取层的输出特征的拼接特征。
69.具体的，为了更好的融合yuv图像特征和频谱图特征，可以设置多个yuv特征子提取层(简称为yuv子提取层)和多个频谱特征子提取层(简称为频谱子提取层)。
70.作为一个示例，参见图2，图2为本公开实施例提供的活体检测模型的一种结构示意图。如图2所示，人脸rgb图像分别经过色彩模型转换和快速傅里叶变换，得到yuv图像和频谱图。第一yuv子提取层提取yuv图像的图像特征，第一频谱子提取层提取频谱图像的图像特征，然后将二者提取的图像特征拼接，作为第二yuv子提取层的输入，第二yuv子提取层进一步提取yuv图像特征；第二频谱子提取层的输入为第一频谱子提取层的输出，第二频谱子提取层进一步提取频谱图像特征。随后，第二yuv子提取层的输出特征和第二频谱子提取层的输出特征拼接，作为池化层的输入特征。随后依次经过全连接层、softmax层，得到活体检测结果。
71.可见，采用上述yuv特征提取层和频谱特征提取层的连接关系，能够很好的融合yuv图像特征和频谱图像特征，并且使两种特征能相互促进进行学习，提高模型所学习特征
的鲁棒性，最终提高活体检测的准确度。
72.本公开的一个实施例中，可以采用resnet18的网络结构作为特征提取的backbone(主干网络)。
73.具体的，resnet18的网络结构包括依次包括conv1_x(第一卷积层)、conv2_x(第二卷积层)、conv3_x(第三卷积层)、conv4_x(第四卷积层)、conv5_x(第五卷积层)、avg pooling(平均池化层)、fc(全连接层)和softmax层。
74.本公开的一个实施例中，第一yuv子提取层可以包括：resnet18网络中的第一卷积层、第二卷积层和第三卷积层；第二yuv子提取层可以包括：resnet18网络中的第四卷积层和第五卷积层。
75.此外，可以采用inception v3的网络结构作为频谱子提取层。具体的，第一频谱子提取层包括inception v3网络和第一降维卷积层；第二频谱子提取层包括双层inception v3网络和第二降维卷积层。
76.其中，第一降维卷积层用于对inception v3网络输出的特征进行降维，使降维后的特征大小等同于第一yuv子提取层输出的特征，以便于特征拼接。
77.第二降维卷积层用于对双层inception v3网络输出的特征进行降维，使降维后的特征大小等同于第二yuv子提取层输出的特征，以便于特征拼接。
78.具体的，参见图3，图3为本公开实施例提供的活体检测模型的另一种结构示意图。
79.如图3所示，人脸rgb图像分别经过色彩模型转换和快速傅里叶变换，得到yuv图像和频谱图。resnet18网络中conv1_x、conv2_x和conv3_x作为第一yuv子提取层，提取yuv图像的图像特征。
80.inception v3网络提取频谱图像的图像特征，随后连接kernel size＝5，stride＝4的卷积进行降维，降维后的特征与conv3_x的输出特征拼接，作为第二yuv子提取层的输入。
81.resnet18网络中conv4_x和conv5_x作为第二yuv子提取层，进一步提取yuv图像特征。双层inception v3网络和kernel size＝5，stride＝4的卷积作为第二频谱子提取层，其输入为第一频谱子提取层的输出，第二频谱子提取层进一步提取频谱图像特征。
82.随后，第二yuv子提取层的输出特征和第二频谱子提取层的输出特征拼接，作为池化层的输入特征。随后依次经过全连接层、softmax层，得到活体检测结果。
83.采用上述yuv特征提取层和频谱特征提取层的连接关系，能够很好的融合yuv图像特征和频谱图像特征，并且使两种特征能相互促进进行学习，提高模型所学习特征的鲁棒性，最终提高活体检测的准确度。
84.此外，图3所示的网络连接结构仅作为示例，还可以采用其他的网络连接结构。例如，resnet18网络中conv1_x和conv2_x作为第一yuv子提取层；resnet18网络中conv3_x、conv4_x和conv5_x作为第一yuv子提取层，本公开实施例对此不做限定。
85.本公开的一个实施例中，在将yuv图像和频谱图输入预先训练完成的活体检测模型之前，还包括：对频谱图进行频谱对齐。
86.具体的，对频谱图进行频谱对齐是为了改变频谱的高低频特征分布，使得高频特征聚焦在图像中心。
87.在频谱对齐之后，将变换后的频谱图作为活体检测模型的输入。
88.参见图4，图4为本公开实施例提供的活体检测模型的训练方法的一种流程示意图，如图4所示，包括以下步骤：
89.s401：获取样本图像以及样本图像的活体检测真实标签；
90.s402：分别对样本图像进行色彩模型转换和傅里叶变换，得到样本yuv图像和样本频谱图；
91.s403：将样本yuv图像和样本频谱图输入初始网络，得到活体检测预测标签；其中，初始网络中包含特征提取层、池化层、全连接层和softmax层；特征提取层包括：yuv提取层、频谱提取层；yuv提取层，用于提取yuv图像的yuv图像特征；频谱提取层，用于提取频谱图的频谱图特征；
92.s404：基于活体检测真实标签和活体检测预测标签计算损失值，并基于损失值调整初始网络中的可学习参数。
93.具体的，样本图像包括正负样本图像，正样本的标签为活体，负样本的标签为非活体。对样本图像进行色彩模型转换和傅里叶变换，得到样本yuv图像和样本频谱图。将样本yuv图像和样本频谱图输入初始网络，得到活体检测预测标签，根据活体检测预测标签和活体检测真实标签计算损失值，基于损失值调整初始网络中的可学习参数，当损失值达到预设阈值或迭代次数达到预设次数，训练完成。训练完成的初始网络即可作为活体检测模型。
94.本公开的一个实施例中，基于活体检测真实标签和活体检测预测标签计算损失值的步骤，包括：
95.获取softmax层输出的样本图像的活体检测预测标签；
96.基于样本图像的活体检测真实标签、样本图像的活体检测预测标签进行交叉熵运算，得到损失值
97.具体的，在训练过程中，softmax层输出归一化处理之后的分类预测结果，即活体检测预测标签，再结合活体检测真实标签，进行交叉熵运算，即可得到损失值。
98.其中，交叉熵运算用于判定实际的输出与真实标签的接近程度。
99.作为一个示例，在训练过程中，softmax层输出的分类预测结果为【0.7,0.3】，0.7表示样本图像为活体拍摄的概率，0.3表示样本图像为非活体拍摄的概率。若样本图像为正样本，对应活体检测真实标签为【1，0】，则可以根据活体检测预测标签【0.7,0.3】，以及活体检测真实标签【1，0】，进行交叉熵运算，交叉熵运算结果能够衡量预测结果与真实结果的接近程度，因此可以用交叉熵运算结果作为损失值。
100.可见，使用解耦了图像照度、亮度、色度等信息的yuv图像替代rgb图像进行特征学习，使网络模型学习到的特征更加鲁棒；并且加入了频谱图进行特征学习，能够使网络模型学习到图像有关模糊度(对应频谱图中的低频信息)和清晰度(对应频谱图中的高频信息)的特征信息，进一步增加了特征的鲁棒性。此外将yuv图像特征和频谱图像特征进行特征融合，提高了特征的复用性，使两种特征能相互促进进行学习。最终提高了活体检测的准确度。
101.参见图5，图5是用来实现本公开实施例的活体检测方法的装置的框图，如图5所示，装置可以包括：
102.第一获取模块501，用于获取待检测的人脸rgb图像；
103.第一转换模块502，用于分别对所述人脸rgb图像进行色彩模型转换和傅里叶变
换，得到yuv图像和频谱图；
104.输入模块503，用于将所述yuv图像和所述频谱图输入预先训练完成的活体检测模型，以使所述活体检测模型提取所述yuv图像的yuv图像特征，提取所述频谱图的频谱图特征，并对所述yuv图像特征和所述频谱图特征进行融合，得到融合特征，基于所述融合特征进行活体检测；
105.获得模块504，用于获得所述活体检测模型输出的活体检测结果。
106.本公开的一个实施例中，所述活体检测模型包括：
107.特征提取层、池化层、全连接层和softmax层；
108.所述特征提取层包括：yuv提取层、频谱提取层；
109.所述yuv提取层，用于提取所述yuv图像的yuv图像特征；
110.所述频谱提取层，用于提取所述频谱图的频谱图特征。
111.本公开的一个实施例中，所述yuv提取层包括第一yuv子提取层和第二yuv子提取层；
112.所述频谱提取层包括第一频谱子提取层和第二频谱子提取层；
113.所述第二yuv子提取层的输入特征为所述第一yuv子提取层的输出特征与所述第一频谱子提取层的输出特征的拼接特征；
114.所述池化层的输入特征为所述第二yuv子提取层的输出特征与所述第二频谱子提取层的输出特征的拼接特征。
115.本公开的一个实施例中，所述第一yuv子提取层包括resnet18网络中的第一卷积层、第二卷积层和第三卷积层；
116.所述第二yuv子提取层包括resnet18网络中的第四卷积层和第五卷积层；
117.所述第一频谱子提取层包括inception v3网络和第一降维卷积层；
118.所述第二频谱子提取层包括双层inception v3网络和第二降维卷积层。
119.本公开的一个实施例中，还包括：
120.对齐模块，用于在将所述yuv图像和所述频谱图输入预先训练完成的活体检测模型之前，对所述频谱图进行频谱对齐。
121.可见，使用解耦了图像照度、亮度、色度等信息的yuv图像替代rgb图像进行特征学习，使网络模型学习到的特征更加鲁棒；并且加入了频谱图进行特征学习，能够使网络模型学习到图像有关模糊度(对应频谱图中的低频信息)和清晰度(对应频谱图中的高频信息)的特征信息，进一步增加了特征的鲁棒性。此外将yuv图像特征和频谱图像特征进行特征融合，提高了特征的复用性，使两种特征能相互促进进行学习。最终提高了活体检测的准确度。
122.参见图6，图6是用来实现本公开实施例的活体检测模型的训练方法的装置的框图，如图6所示，装置可以包括：
123.第二获取模块601，用于获取样本图像以及所述样本图像的活体检测真实标签；
124.第二转换模块602，用于分别对所述样本图像进行色彩模型转换和傅里叶变换，得到样本yuv图像和样本频谱图；
125.预测模块603，用于将所述样本yuv图像和所述样本频谱图输入初始网络，得到活体检测预测标签；其中，所述初始网络中包含特征提取层、池化层、全连接层和softmax层；
所述特征提取层包括：yuv提取层、频谱提取层；所述yuv提取层，用于提取所述yuv图像的yuv图像特征；所述频谱提取层，用于提取所述频谱图的频谱图特征；
126.调整模块604，用于基于所述活体检测真实标签和所述活体检测预测标签计算损失值，并基于损失值调整所述初始网络中的可学习参数。
127.本公开的一个实施例中，调整模块604可以包括损失计算模块，损失计算模块用于：
128.获取所述softmax层输出的所述样本图像的活体检测预测标签；
129.基于所述样本图像的活体检测真实标签、所述样本图像的活体检测预测标签进行交叉熵运算，得到损失值。
130.可见，使用解耦了图像照度、亮度、色度等信息的yuv图像替代rgb图像进行特征学习，使网络模型学习到的特征更加鲁棒；并且加入了频谱图进行特征学习，能够使网络模型学习到图像有关模糊度(对应频谱图中的低频信息)和清晰度(对应频谱图中的高频信息)的特征信息，进一步增加了特征的鲁棒性。此外将yuv图像特征和频谱图像特征进行特征融合，提高了特征的复用性，使两种特征能相互促进进行学习。最终提高了活体检测的准确度。
131.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
132.需要说明的是，本实施例中的二维人脸图像来自于公开数据集。
133.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
134.本公开提供了一种电子设备，包括：
135.至少一个处理器；以及
136.与所述至少一个处理器通信连接的存储器；其中，
137.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行活体检测方法。
138.本公开提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行活体检测方法。
139.本公开提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现活体检测方法。
140.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
141.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至
总线704。
142.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
143.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如活体检测方法。例如，在一些实施例中，活体检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行活体检测方法。
144.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
145.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
146.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
147.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来
将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
148.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
149.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
150.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
151.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。